[发明专利]基于随机森林与复合活性曲线的OCT图像层分割方法

说明书

本发明涉及一种基于随机森林与复合活性曲线的OCT图像层分割方法，为了精确的分割视网膜层与积液而设计。本发明基于随机森林与复合活性曲线的OCT图像层分割方法，包括：得到OCT图像特征训练随机森林分类器；复合活性曲线算法获得最终的SF1；提取OCT图像的24个特征，使用随机森林分类器，本发明基于随机森林与复合活性曲线的OCT图像层分割方法，操作简单、检测结果准确。克服现有的对于病变OCT图像分割算法识别率较低、分割效果较差等问题。

技术领域

本发明属于医学图像处理算法领域，具体涉及一种基于随机森林与复合活性曲线的OCT图像层分割方法。

背景技术

中心浆液性视网膜病变是严重复杂的视网膜疾病，容易导致失明。中心浆液性视网膜病变发生主要表现为交错区视网膜下浆液的积累，也可能导致视网膜色素上皮脱离。除浆液积聚外，视网膜色素上皮脱离可能出现在浆液下，也可发生在黄斑中心附近。这些液体导致视网膜层肿胀，视网膜层的厚度和光学强度可能会突然改变。因此，中心浆液性视网膜病变是一种常见的黄斑疾病，而黄斑负责中央视觉。因此关于中心浆液性视网膜病变的定量分析研究在视网膜的研究中具有非常重要的意义。

光学相干断层扫描(OCT)是一种无创、非接触的视网膜异常形态成像技术。目前，OCT设备有了很大的进步，使得量化视网膜疾病更准确的量化、异常的视网膜层厚度计算研究更加成为可能。但是，OCT图像中视网膜层与浆液分割技术缺乏、分割精度不高，原因在于：首先，视网膜层的形状复杂的，它的内部边界是非光滑的，有超过十二层结构。其次，有可能包含病变结构，如浆液，视网膜脱离引起的积液。这导致OCT图像视网膜层之间低对比度和模糊边界，也视网膜层结构变化很大。因此，使用传统的表面检测方法如图搜索算法，层分割可能会失败，同时，积液分割使用传统的方法，如区域增长，也可能很容易泄漏到邻域。

鉴于上述，本设计人积极加以研究创新，以期创设一种基于随机森林与复合活性曲线的OCT图像层分割方法，使其更具有产业上的利用价值。

发明内容

为解决上述技术问题，本发明的目的是为提供一种分割准确性高的基于随机森林与复合活性曲线的OCT图像层分割方法

为达到上述发明目的，本发明基于随机森林与复合活性曲线的OCT图像层分割方法，包括：

训练随机森林分类器；在训练随机森林分类器时，将OCT图像的多个层结构分割为了n个分类标记区域，各区域分别具有上表面，各区域的上表面层由上至下依次为SF1、SF2、SF3……SFn；提取了OCT图像中的m个特征；

确定待分割OCT图像上表面SF1的初始形状，使用复合活性曲线算法得到上表面SF1的最终形状；

提取待分割OCT图像与训练随机森林分类器时相同的m个特征，使用随机森林分类器，对待分割OCT图像进行分类标记为n个区域，找到区域2至区域n中N个区域上表面的初始形状，基于各区域上表面的初始形状分别各自使用复合活性曲线算法，得到各区域上表面的最终形状，其中n、N均为正整数，N≤n-1；

当N＜n-1时，还包括：将一区域的上表面的最终形状向上或向下平移预定像素点得到剩余其他一区域的上表面的初始形状，基于该剩余其他一区域的上表面的初始形状，使用复合活性算法得到该剩余其他一区域的上表面的最终形状；

还包括：判断一区域内是否包含OCT图像的至少两层结构，若包含至少两层结构，则首先得到其中一层结构的上表面的初始形状，使用随机森林活性算法得到该层结构的上表面的最终形状，然后该层结构的最终形状向上或向下平移预定像素点得到剩余其他一层结构的上表面的初始形状，基于该剩余其他层结构的上表面的初始形状，使用复合活性算法得到该剩余其他一层结构的上表面的最终形状；

其中，复合活性曲线算法具体包括：